一种点云特征的处理方法和装置制造方法及图纸

本发明专利技术实施例涉及一种点云特征的处理方法和装置，所述方法包括：获取激光雷达点云作为对应的第一点云；对第一点云进行鸟瞰特征提取生成对应的第一鸟瞰特征张量；对第一点云进行前视特征提取生成对应的第一前视特征张量；对第一鸟瞰特征张量和第一前视特征张量进行特征融合生成对应的第一三维特征张量。通过本发明专利技术，使用二维的鸟瞰+前视特征融合方式替换常规的三维体素网络特征提取方式，可以降低特征提取计算量、缩短特征提取计算时间。缩短特征提取计算时间。缩短特征提取计算时间。

【技术实现步骤摘要】
一种点云特征的处理方法和装置


[0001]本专利技术涉及数据处理
，特别涉及一种点云特征的处理方法和装置。

技术介绍

[0002]在自动驾驶领域中，激光雷达是用于获取环境感知数据的主要传感器之一；自动驾驶系统的感知模块基于点云目标检测模型对激光雷达点云进行点云特征提取和目标检测。常见的点云目标检测模型在对激光雷达点云进行点云特征提取时默认采用体素特征提取方式进行处理，即将点云空间划分为由多个三维立体网格构成的体素(volumepixel)网络并对体素网络进行特征计算。然而我们在实际应用中发现这种常规处理方式的计算量偏大、耗时过长，容易产生计算超时的问题。

技术实现思路

[0003]本专利技术的目的，就是针对现有技术的缺陷，提供一种点云特征的处理方法、装置、电子设备及计算机可读存储介质；在得到激光雷达点云之后先对激光雷达点云进行二维的鸟瞰图(Bird's Eye View，BEV)和前视图(Front View，FV)投影，再对二维的鸟瞰图、前视图进行特征提取得到对应的二维鸟瞰、前视特征，再将前视特征融合到鸟瞰特征中就得到了一个三维的融合特征。通过本专利技术，使用二维的鸟瞰+前视特征融合方式替换常规的三维体素网络特征提取方式，可以降低特征提取计算量、缩短特征提取计算时间，可以解决常规三维体素网络特征提取方式的计算超时问题。
[0004]为实现上述目的，本专利技术实施例第一方面提供了一种点云特征的处理方法，所述方法包括：
[0005]获取激光雷达点云作为对应的第一点云；
[0006]对所述第一点云进行鸟瞰特征提取生成对应的第一鸟瞰特征张量；
[0007]对所述第一点云进行前视特征提取生成对应的第一前视特征张量；
[0008]对所述第一鸟瞰特征张量和所述第一前视特征张量进行特征融合生成对应的第一三维特征张量。
[0009]优选的，所述对所述第一点云进行鸟瞰特征提取生成对应的第一鸟瞰特征张量，具体包括：
[0010]对所述第一点云做鸟瞰图投影生成图形大小为H1×
W1的第一鸟瞰图；并基于预设的鸟瞰图网格尺寸
△
h1×△
w1，对所述第一鸟瞰图进行网格划分得到由X1×
Y1个第一鸟瞰图网格构成的第一鸟瞰图网络；H1、W1分别为所述第一鸟瞰图的高度和宽度；X1＝int(H1/
△
h1)，Y1＝int(W1/
△
w1)，int()为向上取整函数；
[0011]基于预设的鸟瞰图特征提取网络，以各个所述第一鸟瞰图网格为特征提取单元对所述第一鸟瞰图进行特征提取处理生成对应的所述第一鸟瞰特征张量；所述第一鸟瞰特征张量的形状为X1×
Y1×
C，C为预设的特征通道数。
[0012]优选的，所述对所述第一点云进行前视特征提取生成对应的第一前视特征张量，
具体包括：
[0013]对所述第一点云做前视图投影生成图形大小为H2×
W2的第一前视图；并基于预设的前视图网格尺寸
△
h2×△
w2，对所述第一前视图进行网格划分得到由Z1×
X2个第一前视图网格构成的第一前视图网络；H2、W2分别为所述第一前视图的高度和宽度；Z1＝int(H2/
△
h2)，X2＝int(W2/
△
w2)；
[0014]基于预设的前视图特征提取网络，以各个所述第一前视图网格为特征提取单元对所述第一前视图进行特征提取处理生成对应的所述第一前视特征张量；所述第一前视特征张量的形状为Z1×
X2×
C。
[0015]优选的，所述对所述第一鸟瞰特征张量和所述第一前视特征张量进行特征融合生成对应的第一三维特征张量，具体包括：
[0016]将所述第一鸟瞰特征张量按单元网格方式分解为X1×
Y1个形状为1
×1×
C的第一特征张量A
i，j
；1≤i≤X1，1≤j≤Y1；
[0017]将所述第一前视特征张量按列方式分解为X2个形状为Z1×1×
C的第二特征张量B
k
；1≤k≤X2；
[0018]从所有所述第二特征张量B
k
中选出与各个所述第一特征张量A
i，j
匹配的第二特征张量作为对应的匹配特征张量B
*
；
[0019]对各个所述第一特征张量A
i，j
和对应的所述匹配特征张量B
*
进行特征融合生成对应的形状为1
×1×
Z1×
C的第三特征张量D
i,j
；
[0020]由得到X1×
Y1个所述第三特征张量D
i,j
组成对应的所述第一三维特征张量；所述第一三维特征张量的形状为X1×
Y1×
Z1×
C。
[0021]进一步的，所述从所有所述第二特征张量B
k
中选出与各个所述第一特征张量A
i，j
匹配的第二特征张量作为对应的匹配特征张量B
*
，具体包括：
[0022]对各个所述第一特征张量A
i，j
进行遍历；遍历时，将当前遍历的所述第一特征张量A
i，j
作为当前特征张量A
i，j
，并将所述当前特征张量A
i，j
的脚标i提取出来作为当前脚标索引；并将各个所述第二特征张量B
k
的脚标k作为对应的第二脚标索引；并对所述当前脚标索引与各个所述第二脚标索引的绝对差值进行计算生成对应的第一绝对差；并从得到的X2个所述第一绝对差中选择最小值作为对应的最小绝对差；并将所述最小绝对差对应的所述第二特征张量B
k
作为所述当前特征张量A
i，j
对应的所述匹配特征张量B
*
。
[0023]进一步的，所述对各个所述第一特征张量A
i，j
和对应的所述匹配特征张量B
*
进行特征融合生成对应的形状为1
×1×
Z1×
C的第三特征张量D
i,j
，具体包括：
[0024]将形状为Z1×1×
C的所述匹配特征张量B
*
分解为Z1个形状为1
×1×
C的第四特征张量b
g
；1≤g≤Z1；
[0025]对形状为1
×1×
C的所述第一特征张量A
i，j
与各个形状为1
×1×
C的所述第四特征张量b
g
进行张量叉乘计算生成对应的第五特征张量d
g
；所述第五特征张量d
g
的形状为1
×1×
C；
[0026]并由得到的Z1个所述第五特征张量d
g
组成对应的所述第三特征张量D...

【技术保护点】

【技术特征摘要】
1.一种点云特征的处理方法，其特征在于，所述方法包括：获取激光雷达点云作为对应的第一点云；对所述第一点云进行鸟瞰特征提取生成对应的第一鸟瞰特征张量；对所述第一点云进行前视特征提取生成对应的第一前视特征张量；对所述第一鸟瞰特征张量和所述第一前视特征张量进行特征融合生成对应的第一三维特征张量。2.根据权利要求1所述的点云特征的处理方法，其特征在于，所述对所述第一点云进行鸟瞰特征提取生成对应的第一鸟瞰特征张量，具体包括：对所述第一点云做鸟瞰图投影生成图形大小为H1×
W1的第一鸟瞰图；并基于预设的鸟瞰图网格尺寸
△
h1×△
w1，对所述第一鸟瞰图进行网格划分得到由X1×
Y1个第一鸟瞰图网格构成的第一鸟瞰图网络；H1、W1分别为所述第一鸟瞰图的高度和宽度；X1＝int(H1/
△
h1)，Y1＝int(W1/
△
w1)，int()为向上取整函数；基于预设的鸟瞰图特征提取网络，以各个所述第一鸟瞰图网格为特征提取单元对所述第一鸟瞰图进行特征提取处理生成对应的所述第一鸟瞰特征张量；所述第一鸟瞰特征张量的形状为X1×
Y1×
C，C为预设的特征通道数。3.根据权利要求2所述的点云特征的处理方法，其特征在于，所述对所述第一点云进行前视特征提取生成对应的第一前视特征张量，具体包括：对所述第一点云做前视图投影生成图形大小为H2×
W2的第一前视图；并基于预设的前视图网格尺寸
△
h2×△
w2，对所述第一前视图进行网格划分得到由Z1×
X2个第一前视图网格构成的第一前视图网络；H2、W2分别为所述第一前视图的高度和宽度；Z1＝int(H2/
△
h2)，X2＝int(W2/
△
w2)；基于预设的前视图特征提取网络，以各个所述第一前视图网格为特征提取单元对所述第一前视图进行特征提取处理生成对应的所述第一前视特征张量；所述第一前视特征张量的形状为Z1×
X2×
C。4.根据权利要求3所述的点云特征的处理方法，其特征在于，所述对所述第一鸟瞰特征张量和所述第一前视特征张量进行特征融合生成对应的第一三维特征张量，具体包括：将所述第一鸟瞰特征张量按单元网格方式分解为X1×
Y1个形状为1
×1×
C的第一特征张量A
i，j
；1≤i≤X1，1≤j≤Y1；将所述第一前视特征张量按列方式分解为X2个形状为Z1×1×
C的第二特征张量B
k
；1≤k≤X2；从所有所述第二特征张量B
k
中选出与各个所述第一特征张量A
i，j
匹配的第二特征张量作为对应的匹配特征张量B
*
；对各个所述第一特征张量A
i，j
和对应的所述匹配特征张量B
*
进行特征融合生成对应的形状为1
×1×
Z1×
C的第三特征张量D
i,j
；由得到X1×
Y1个所述第三特征张量D
i,j
组成对应的所述第一三维特征张量；所述第一三维特征张量的形状为X1×
Y1×
Z1×
C。5.根据权利要求4所述的点云特征的处理方法，其特征在于，所述从...

【专利技术属性】
技术研发人员：张雨，
申请(专利权)人：苏州轻棹科技有限公司，
类型：发明
国别省市：